技术摘要：
本申请公开了一种图像处理方法、装置、电子设备及存储介质，涉及计算机视觉领域。具体实现方案为：将待分类图像输入特征提取模型以生成N个维度的特征，其中，N为正整数；对所述N个维度的特征之中的M个特征进行维度融合以获得融合之后的M个维度融合特征，M为小于或等于N  全部
背景技术：
目前，深度学习图像分类网络已经较为成熟。现有的图像分类网络主要基于卷积 神经网络(ConvolutionallNeura  lNetworks，CNN)来提取图像特征，基于提取的图像特征 进行学习。 然而，基于图像特征的学习仅使得图像分类网络融合了空间维度上的特征，导致 图像分类网络的学习效果不佳，图像分类网络的准确率不高，从而使得图像处理的准确率 不高。
技术实现要素：
提供了一种用于提高图像分类网络的学习效果、提高图像处理的准确率的图像处 理方法、装置、电子设备及存储介质。 根据第一方面，提供了一种图像处理方法，包括： 将待分类图像输入特征提取模型以生成N个维度的特征，其中，N为正整数； 对所述N个维度的特征之中的M个特征进行维度融合以获得融合之后的M个维度融 合特征，M为小于或等于N的正整数； 根据所述N个维度的特征之中的其他未融合特征和所述M个维度融合特征进行图 像处理。 根据第二方面，提供了一种图像处理装置，包括： 特征生成模块，用于将待分类图像输入特征提取模型以生成N个维度的特征，其 中，N为正整数； 融合模块，用于对所述N个维度的特征之中的M个特征进行维度融合以获得融合之 后的M个维度融合特征，M为小于或等于N的正整数； 处理模块，用于根据所述N个维度的特征之中的其他未融合特征和所述M个维度融 合特征进行图像处理。 根据第三方面，提供了一种电子设备，包括： 至少一个处理器；以及 与所述至少一个处理器通信连接的存储器；其中， 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一 个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的图像处理方法。 根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所 述计算机指令用于使所述计算机执行如第一方面所述的图像处理方法。 本申请提供的图像处理方法、装置、电子设备及存储介质，具备如下有益效果： 4 CN 111598131 A 说　明　书 2/10 页 通过将待分类图像输入特征提取模型以生成N个维度的特征，其中，N为正整数，对 N个维度的特征之中的M个特征进行维度融合以获得融合之后的M个维度融合特征，M为小于 或等于N的正整数，根据N个维度的特征之中的其他未融合特征和M个维度融合特征进行图 像处理，由此，在图像处理中不仅提取了图像的空间特征，还考虑了不同维度之间特征的关 系，提取了各个空间特征不同维度之间的维度融合特征，从而能够提高学习效果，提高图像 处理的准确率，解决了现有技术中基于图像特征的学习仅使得图像分类网络融合了空间维 度上的特征，导致图像分类网络的学习效果不佳，图像分类网络的准确率不高，从而使得图 像处理的准确率不高的技术问题。 应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特 征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。 附图说明 附图用于更好地理解本方案，不构成对本申请的限定。其中： 图1是根据本申请第一实施例的图像处理方法的流程示意图； 图2是根据本申请第二实施例的图像处理方法的流程示意图； 图3是根据本申请第三实施例的图像处理方法的流程示意图； 图4是根据本申请第四实施例的图像处理装置的结构示意图； 图5是根据本申请第五实施例的图像处理装置的结构示意图； 图6是根据本申请第六实施例的图像处理装置的结构示意图； 图7是用来实现本申请实施例的图像处理方法的电子设备的框图。